Intelligent decision-making for mine airflow on demand based on the improved artificial bee colony algorithm
-
摘要:
针对现有元启发式算法求解矿井风量调控无约束优化数学模型存在收敛速度较慢的问题，提出了一种基于改进人工蜂群算法（ABC）的矿井风量按需调控智能决策方法。以矿井调节分支风阻为决策变量、各分支实际风量与需风量相符合为约束条件，以目标用风分支风量与理想风量差距最小为目标，建立了矿井风量按需调控智能决策模型；运用拉格朗日松弛方法优化模型的约束条件，采用冲突数方法优化模型的目标函数，利用随机搜索方法和启发式算法优化模型的搜索策略。针对人工蜂群算法（ABC）利用能力不足的问题，提出了一种改进ABC算法，并将其用于求解矿井风量按需调控智能决策模型。该算法在采蜜蜂局部寻优时引入群体历史最优解引导采蜜行为，并利用一般反向学习策略保存侦查蜂的搜索经验，良好地平衡了算法的探索和利用能力。实验结果表明：与粒子群优化（PSO）算法、ABC算法、基于全局最优的人工蜂群（GABC）算法和基于一般反向学习的人工蜂群（GABC−GOBL）算法相比，改进ABC算法能更加快速、稳定地求解出矿井风量按需调控最优方案，且风量调控精度可达0.49 m3/s。
Abstract:To address the issue of slow convergence speed in solving the unconstrained optimization mathematical model of mine airflow control using existing metaheuristic algorithms, an intelligent decision-making method for mine airflow on demand based on an improved Artificial Bee Colony (ABC) algorithm was proposed. The decision variable was the mine ventilation branch resistance adjustment, with the constraint that the actual airflow in each branch matched the required airflow. The objective was to minimize the difference between the target branch airflow and the ideal airflow. A mine airflow on-demand control intelligent decision-making model was established. The Lagrange relaxation method was used to optimize the model's constraint conditions, the conflict count method was used to optimize the objective function of the model, and random search methods combined with heuristic algorithms were used to optimize the search strategy of the model. To address the issue of insufficient utilization capability in the ABC algorithm, an improved ABC algorithm was proposed and applied to solve the mine airflow on-demand control intelligent decision-making model. The algorithm introduced the population's historical optimal solution to guide the foraging behavior of the honeybees during local optimization and used a general reverse learning strategy to preserve the scout bees' search experience, which effectively balanced the exploration and exploitation capabilities of the algorithm. Experimental results showed that, compared with the Particle Swarm Optimization (PSO) algorithm, the ABC algorithm, the Gbest-guided artificial bee colony (GABC) algorithm, and artificial bee colony with generalized opposition-based learning (ABC-GOBL) algorithm, the improved ABC algorithm could solve the optimal solution of mine airflow on-demand control more quickly and stably, with an airflow control accuracy of up to 0.49 m3/s.
-
0. 引言
带式输送机是运输煤炭的主要设备，具有运载能力强、运输成本低、可靠性好等优点。输送带撕裂是带式输送机运行过程中的常见故障之一，导致输送带撕裂的主要原因如下：① 输送带运输的煤炭中夹杂的硬质异物压、砸、划伤输送带[1] 。② 带式输送机存在设计缺陷或安装不正确，导致其他尖锐物体破坏输送带。③ 输送带跑偏，导致托辊或钢架划伤输送带。局部撕裂会导致浮煤堆积，若不及时处理会引起整条输送带断裂，从而导致煤料倾洒，损坏运输设备，威胁井下作业人员生命安全。因此，研究输送带撕裂检测技术对于保障煤矿生产安全具有重要意义[2-3]。
目前，利用图像智能分析技术进行输送带撕裂检测是煤矿智能化的研究热点之一[4-5]。文献[6]采集输送带的灰度图，通过特征选择形成一维描述向量，构建撕裂特征分类器，完成撕裂分类。文献[7]利用红外图像采集系统获取原始图像，再依次使用平滑滤波器、图像分割、连通分析算法，实现输送带撕裂检测。文献[8]提出了基于YOLOv4的输送带损伤检测算法，通过增加融合特征的层数，减少每层特征卷积次数，实现提高检测精度和速度的目的。文献[9]将一字激光线投射到输送带上，通过边缘检测提取激光线特征，构建特征分类器，实现撕裂预警。文献[10]利用不受可见光干扰的线激光作为光源，用改进灰度重心法提取中心线，根据中心线特性检测纵向撕裂。文献[11]提出了基于多道线性激光的输送带撕裂检测算法，通过分析多道线性激光投射在输送带表面的图像的特征，结合速度传感器数据实现纵向撕裂特征识别。以上方法具有一定效果，但存在以下问题：① 煤矿井下光照条件差，获取的可见光图像质量较差，导致后续图像处理精度下降。② 大部分方法是对撕裂图像进行识别和定位，缺少撕裂物理尺寸测量手段[12]。③ 图像撕裂特征由人工统计构建，当煤矿井下现场条件改变时，之前的撕裂特征不再适用，需要重新提取撕裂特征，泛化能力差。
针对以上问题，提出了一种基于全卷积神经网络的输送带撕裂检测方法。该方法基于线结构光成像原理采集图像，可有效解决煤矿井下光照条件差的问题；采用激光发射器投射具有编码性质的线激光，可实现撕裂物理尺寸测量；采用全卷积神经网络进行撕裂检测，当使用环境发生改变后，只需要重新采集样本进行训练和部署即可。
1. 撕裂检测方法原理
输送带撕裂检测设备包括线激光发射器、工业相机和边缘计算开发板，撕裂检测方法原理如图1所示。线激光发射器与工业相机存在固定的空间位置关系。线激光发射器投射出的线激光经过输送带反射后，在工业相机中形成特殊的图像数据，这些数据可有效反映输送带的状态，为撕裂检测提供数据支撑。边缘计算开发板负责算法和控制，其中核心的图像处理算法由开发板中央处理器（Central Processing Unit，CPU）负责，全卷积神经网络推理由开发板图形处理器（Graphics Processing Unit，GPU）负责。检测设备安装于上行输送带和下行输送带之间，距离上行输送带约0.5 m处，尽量在2个托辊之间，当输送带张紧时，可有效突出输送带撕裂特征。
输送带撕裂检测流程包括在线模块和离线模块2个部分，如图2所示。离线模块只需要运行1次，先对撕裂图像数据进行标注，然后训练全卷积神经网络模型，最后对线结构光进行标定，得到标定参数。在线模块需要重复运行，通过线结构光采集到图像后，进行线激光条纹检测，然后利用全卷积神经网络模型分割出撕裂像素，最后经过撕裂测量得到撕裂的外接矩形和物理尺寸。
2. 线结构光图像处理
2.1 线结构光成像原理
线激光发射器投射激光线，在输送带上形成线激光条纹l，经过反射后在工业相机中成像[13]，如图3所示。线结构光光路模型如图4所示，其中
$ {{o}}_{\mathrm{w}}{x}_{{\rm{w}}}{y}_{{\rm{w}}}{{\textit{z}}}_{{\rm{w}}} $ 为世界坐标系，$ {{o}}_{{\rm{c}}}{x}_{{\rm{c}}}{y}_{{\rm{c}}}{{\textit{z}}}_{{\rm{c}}} $ 为相机坐标系，uv为图像坐标系。根据单目相机成像理论[14] ，在世界坐标系中，线激光曲线为$ l\left(x,y,{\textit{z}}\right) $ ，在相机坐标中的成像曲线为$ {l}_{{\rm{c}}}\left(u,v\right) $ 。成像过程的数学描述为
$$ s\left[ \begin{array}{c}u\\ v\\ 1\end{array} \right]={{\boldsymbol{H}}}_{1}{{\boldsymbol{H}}}_{2}{\boldsymbol{M}}\left[ \begin{array}{c}x\\ y\\ {\textit{z}}\\ 1\end{array} \right] $$ (1) 式中：s为与z相关的变量；
$ {{\boldsymbol{H}}}_{1} $ 和$ {{\boldsymbol{H}}}_{2} $ 为相机内参数；M为相机外参数。相机外参数M用于描述相机与物理世界的位置关系，且与输送带条纹成像无关，为了简化数学过程，设世界坐标系与相机坐标系重合，则
$ {\boldsymbol{M}} $ 由单位矩阵和零矩阵组成，式（1）可以简化为$$ s{\left[ \begin{array}{ccc}u& v& 1\end{array} \right]}^{{\rm{T}}}={\boldsymbol{H}}{\left[ \begin{array}{ccc}x& y& {\textit{z}}\end{array} \right]}^{{\rm{T}}} $$ (2) 式中
$ {\boldsymbol{H}} $ 为相机内参数，${\boldsymbol{H}}={\left[ \begin{array}{ccc}{{\boldsymbol{H}}}_{1}^{{\rm{T}}}& {{\boldsymbol{H}}}_{2}^{{\rm{T}}}& {{\boldsymbol{H}}}_{3}^{{\rm{T}}}\end{array} \right]}^{{\rm{T}}}$ ，${{\boldsymbol{H}}}_{3}= \left[ \begin{array}{ccc}0& 0& 1\end{array} \right]$ 。线激光发射器与线激光可以构成一个平面，该平面的方程为
$$ {\boldsymbol{C}}{\left[ \begin{array}{ccc}x& y& {\textit{z}}\end{array} \right]}^{{\rm{T}}}=d $$ (3) 式中C，d为线激光平面系数，C为
$ 1\times 3 $ 矩阵。通过线结构光标定技术[15]可得到相机内参数H和线激光平面系数C，d。在已知H，C和d的条件下，联立式（2）、式（3）并化简可得
$$ \left[\begin{array}{c}{{\boldsymbol{H}}}_{1}-{u{\boldsymbol{H}}}_{3}\\ {{\boldsymbol{H}}}_{2}-{v{\boldsymbol{H}}}_{3}\\ {\boldsymbol{C}}\end{array}\right]{\boldsymbol{X}}=\left[\begin{array}{c}0\\ 0\\ d\end{array}\right] $$ (4) 式中
${\boldsymbol{X}}={\left[ \begin{array}{ccc}x& y& {\textit{z}}\end{array} \right]}^{{\rm{T}}}$ 。2.2 线激光条纹检测
线激光条纹检测是计算
$u,v$ 的重要步骤。线激光条纹原始图属于二维数据，大量图像区域为黑色无效区域，数据存在大量冗余。通过线激光条纹检测，将图像二维数据优化为一维数据。经典的条纹检测算法[16]包括最大值法、灰度重心法、Steger法、曲面拟合法等。其中最大值法运算效率高、硬件资源占用少，但在条纹出现断点时会失效，因此，本文通过最近邻域法对最大值法进行改进。改进最大值法如图5所示。首先，采用高斯滤波器抑制噪声。其次，通过最大值法遍历u，计算图像灰度最大值。然后，通过最近邻域法解决线激光条纹出现断点时最大值法失效的问题。最后，输出一维函数v=F(u)。
从直方图角度描述改进最大值法，如图6所示。将图像灰度等级划分为64级，断点灰度分布于直方图左侧，条纹灰度分布于直方图右侧，设置阈值，若灰度等级小于阈值则判断为断点，否则为正常点。这样就将图像二维数据优化为一维函数v=
$ F\left(u\right) $ 。得到
$u,v $ 后，通过求解式（4）可得到X，完成线结构光的空间测量过程。3. 基于全卷积神经网络的撕裂检测
先进行数据标注，再训练全卷积神经网络模型，对撕裂数据进行语义分割，最后根据线结构光标定参数计算撕裂物理长度。
3.1 数据标注
数据标注如图7所示，在图像中用矩形框标出撕裂位置，然后将矩形框投影到一维，构成一维函数L(u)。当u在红框投影区域内时，L(u)=1；u在其他区域时，L(u)=0。
3.2 全卷积神经网络
语义分割是指给输入图像的每个像素分配1个语义类型，即将函数
$ v=F\left(u\right) $ 中的每个点划分为正常或者撕裂状态。全卷积神经网络是语义分割中使用最广泛的网络，FCNs[17] ，SegNet[18]，U−net[19]是经典的全卷积神经网络。由于U−net网络结构简单而有效，本文采用U−net网络实现语义分割。U−net网络输入数据为
$ v=F\left(u\right) $ ，由于v分布集中，需对其进行规范化处理：$$ {v}^{\mathrm{*}}={F}^{*}\left(u\right)=\frac{v-\bar {v}}{\sigma } $$ (6) 式中：
$ {v}^{\mathrm{*}} $ 为规范化处理后的值；$ {F}^{*}\left(·\right) $ 为规范化处理函数；$\bar {v}$ 为v的均值；$ \sigma $ 为标准差。工业相机的分辨率是
$ 1\;024\times 1\;280 $ ，因此$ {F}^{*}\left(u\right) $ 只有1个通道，且长度为1 024。而在U−net网络中特征图通过“通道数$ \times $ 高$\times $ 宽”方式描述，针对一维数据$ {v}^{\mathrm{*}}={F}^{*}\left(u\right) $ ，U−net无法直接使用，需要进行降维。因此，本文对U−net网络进行优化，优化后的U−net网络如图8所示。优化后网络结构不变，主要由双卷积模块、下采样层、上采样层、跳跃连接和卷积层组成。图8中，矩形内数字描述了特征图通道和长度的变换过程，格式为“通道数$ \times $ 长度”。从整体看，优化U−net网络只有2个维度数值在变化，维度降低。 针对卷积层，采用由2个卷积层组成的双卷积模块，将原来的二维卷积转换为长度为3的一维卷积，卷积层参数量减少为原来的1/3。针对下采样层，采用池化技术使特征图通道数不变，长度减半，从而减少计算量。3.3 模型训练
优化U−net网络的输出特征图尺寸为
$ 2\times 1\;024 $ ，对输出特征图进行Softmax运算，设运算结果为Q。Q属于one hot编码，Q的第2个通道的数据为所测像素属于撕裂像素的概率，设为P(u)，0<P(u)<1，$ u\in \left[\mathrm{0,1\;024}\right) $ ，结合标注数据$ L\left(u\right) $ ，可得损失函数R：$$ \left\{ \begin{array}{l}{R}_{1}=-\dfrac{1}{1\;024}\displaystyle\sum _{u}(L\left(u\right){\rm{ln}}P\left(u\right)+\\ \qquad \left(1-L\left(u\right)\right){\rm{ln}}\left(1-P\left(u\right)\right))\\ {R}_{2}=1-\dfrac{1}{2}\left(\dfrac{\displaystyle\sum _{u}L\left(u\right)P\left(u\right)}{\displaystyle\sum _{u}L\left(u\right)+\displaystyle\sum _{u}P\left(u\right)}+\right.\\ \qquad \left. \dfrac{\displaystyle\sum _{u}\left(1-L\left(u\right)\right)\left(1-P\left(u\right)\right)}{\displaystyle\sum _{u}\left(1-L\left(u\right)\right)+\displaystyle\sum _{u}\left(1-P\left(u\right)\right)}\right)\\ R={R}_{1}+{R}_{2}\end{array}\right. $$ (7) 式中：
$ {R}_{1} $ 为交叉熵损失函数；$ {R}_{2} $ 为dice损失函数。3.4 撕裂测量
当P(u)趋近于0时，表示所测像素属于正常像素；当P(u)趋近于1时，表示所测像素属于撕裂像素。查找满足
$ P\left(u\right) > 0.5 $ 的连续区域，设撕裂区间为$ \left[{u}_{{\rm{s}}},{u}_{{\rm{e}}}\right] $ ，则撕裂图像的外接矩形为$$ {T}_{{\rm{ext}}}=[{u}_{{\rm{s}}},\underset{u\in \left[{u}_{{\rm{s}}},{u}_{{\rm{e}}}\right]}{\rm{min}}F\left(u\right),{u}_{{\rm{e}}},\underset{u\in \left[{u}_{{\rm{s}}},{u}_{{\rm{e}}}\right]}{\rm{max}}F\left(u\right)] $$ (8) 在线结构光预先标定的条件下，利用式（4）可得到世界坐标系中激光线的起点坐标
$ {{\boldsymbol{X}}}_{\mathrm{s}} $ 和终点坐标$ {{\boldsymbol{X}}}_{\mathrm{e}} $ ，从而可得出撕裂物理尺寸：$$ S={||{{\boldsymbol{X}}}_{{\rm{s}}}-{{\boldsymbol{X}}}_{{\rm{e}}}||}_{2} $$ (9) 4. 实验分析
为了验证本文方法的有效性，设计了3组实验：第1组实验对比改进最大值法与经典线激光条纹检测算法性能；第2组实验对FCNs，SegNet，U−net网络进行对比和分析；第3组实验验证撕裂检测方法性能。
4.1 线激光条纹检测结果分析
采集线结构光成像图，选择2张具有不同特点的条纹图像，分别利用Steger法、灰度重心法和改进最大值法检测线激光条纹，条纹出现断点、灰度较低时的检测效果对比分别如图9、图10所示。
![]()
图 9 条纹出现断点时的检测效果对比Figure 9. Comparison of detection effects when the stripes have breakpoints![]()
图 10 条纹灰度较低时的检测效果对比Figure 10. Comparison of detection effects when the grayscale of the stripes is low从图9可看出，Steger法、灰度重心法都没有填充断点部分，使得条纹缺失一部分，Steger法在折线区域出现明显漏检，灰度重心法在断点边缘处出现明显误检，而改进最大值法断点填充效果好，过渡平滑、自然。从图10可看出，条纹灰度较低时，Steger 法出现大量漏检，灰度重心法和改进最大值法检测效果较好。
对条纹检测局部细节进行分析，结果如图11和图12所示。从图11可看出，Steger 法在撕裂拐点处出现漏检，灰度重心法在断点处出现明显误检，改进最大值法无漏检，断点处被很好地填充。从图12可看出，Steger 法出现明显漏检，灰度重心法和改进最大值法检测效果较好。
综上可得，Steger法检测效果较差，出现了大量误检和漏检；灰度重心法略优于Steger法，但不能处理条纹断点；本文提出的改进最大值法检测效果最佳，可以有效处理断点区域。
4.2 全卷积神经网络对比分析
采集输送带撕裂图像1 276张，并进行条纹检测、规范化和标注处理，形成训练样本库，如图13所示。
选择全部样本的10%作为验证集，90%作为训练集。分别使用U−net，SegNet，FCNs网络进行训练，训练过程如图14所示。dice系数是一种集合相似度度量指标，常用于评价图像分割算法的好坏。本文采用dice系数和平均交并比(mean Intersection over Union, mIoU)作为评价指标。可以看出，U−net网络训练过程平稳，在第15次迭代后达到稳定状态；FCNs网络训练过程振荡较大，性能最差；SegNet网络性能处于两者之间。
不同网络训练结果对比见表1。可看出U−net网络收敛速度快于其他2种网络，迭代的稳定性较强，评价指标最优。
表 1 不同网络训练结果对比Table 1. Comparison of training results of different networks网络模型 dice系数 mIoU 验证集 训练集 验证集 训练集 U−net 0.9471 0.9816 0.9470 0.9831 SegNet 0.9388 0.9680 0.9389 0.9665 FCNs 0.9327 0.9573 0.9328 0.9576 为了进一步验证U−net网络的性能，将U−net网络压缩后重复以上实验。原U−net采用5层结构、4次下采样，记为U−net5，将U−net的5层结构分别改为4层、3层，对应的下采样为3次、2次，记为U−net4和U−net3，其他结构不变。训练过程如图15所示，可看出U−net3网络性能指标较差，稳定性也较差，U−net4和U−net5网络性能差距不大。
不同U−net网络训练结果对比见表2。可看出虽然U−net3网络性能指标最差，但验证集和训练集指标差距小，且验证集指标与U−net4，U−net5网络性能差距小于1%，在对硬件资源要求严格的环境下优先使用；U−net5网络略优于U−net4网络，由于U−net4网络结构更加简单，占用的硬件资源少，综合评价结果为U−net4网络性能最优。
表 2 不同U−net网络训练结果对比Table 2. Comparison of training results of different U-net networks网络模型 dice系数 mIoU 验证集 训练集 验证集 训练集 U−net3 0.9408 0.9663 0.9412 0.9677 U−net4 0.9456 0.9819 0.9467 0.9828 U−net5 0.9471 0.9816 0.9470 0.9831 4.3 撕裂检测与撕裂物理尺寸测量结果分析
为了验证撕裂检测方法性能，在验证集上进行U−net4网络推理，通过计算
$P(u) $ 得到撕裂区间[$ {u}_{{\rm{s}}},{u}_{{\rm{e}}} $ ]，同理可得标注后的撕裂区间[$ {u}_{{\rm{s}}}^{\mathrm{*}},{u}_{{\rm{e}}}^{\mathrm{*}} $ ]，计算交并比$ U=\dfrac{{\rm{min}}\left({u}_{{\rm{e}}},{u}_{{\rm{e}}}^{\mathrm{*}}\right)-{\rm{max}}\left({u}_{{\rm{s}}},{u}_{{\rm{s}}}^{\mathrm{*}}\right)}{{\rm{max}}\left({u}_{{\rm{e}}},{u}_{{\rm{e}}}^{\mathrm{*}}\right)-{\rm{min}}\left({u}_{{\rm{s}}},{u}_{{\rm{s}}}^{\mathrm{*}}\right)} $ ，当U大于0.5时，说明撕裂检测结果正确。检测结果的混淆矩阵见表3，N/A表示没有对应的标准值。计算可得撕裂检测的召回率为96.09%，精确率为96.85%。表 3 撕裂检测混淆矩阵Table 3. Confusion matrix of tearing detection真值 预测值 撕裂 正常 撕裂 123 5 正常 4 N/A 为了验证撕裂物理尺寸测量精度，在实验室中搭建验证平台。选取4条存在撕裂的输送带，每条长约2 m，模拟输送带运载状态。在每条输送带的4个不同位置进行图像采集，共采集16张图像。在激光线标志下，通过游标卡尺手工测量撕裂长度并将其作为标准值，游标卡尺测量精度为0.02 mm。检测结果见表4。
表 4 撕裂物理尺寸测量结果Table 4. Measurement results of tear physical dimensions序号 测量结果/mm 标准值/mm 相对误差/% 1 11.30 10.18 10.96 2 15.08 16.14 −6.58 3 12.21 13.90 −12.16 4 6.80 7.72 −11.95 5 13.45 12.18 10.45 6 18.23 16.90 7.86 7 10.04 9.08 10.61 8 16.65 15.84 5.10 9 11.59 13.06 −11.24 10 14.13 13.02 8.52 11 20.75 19.36 7.16 12 17.52 18.10 −3.19 13 17.96 16.48 9.00 14 11.41 10.72 6.40 15 18.61 17.06 9.11 16 4.87 5.60 −13.04 由表4可看出，最大相对误差为−13.04%。产生误差的主要原因：① 像素误差。通过手工测量撕裂长度，得到每像素物理长度为0.197 mm，这是由相机分辨率决定的，改用更高分辨率的相机可以提高精度，但会增加网络参数。② 手工测量误差。在实际测量过程中，输送带具有弹性，手工测量不可避免会存在误差。③ 图像标注误差。标注外接矩形无法完美描述撕裂区域。④ 线结构光标定误差。
撕裂检测效果如图16所示，图16（a）−（d）对应表4中前4行。为了不遮挡原图，将标记向右偏移，红色像素为非断点的撕裂像素，绿色直线为端点坐标为
$ {{\boldsymbol{X}}}_{\mathrm{s}} $ 和$ {{\boldsymbol{X}}}_{\mathrm{e}} $ 的撕裂直线。可见，所提方法能够有效地实现输送带撕裂检测和撕裂物理尺寸测量。5. 结论
（1） 基于最大值法进行线激光条纹检测，通过最近邻域法解决线激光条纹出现断点时最大值法失效的问题。通过实验证明改进最大值法优于Steger法和灰度重心法。
（2） 基于全卷积神经网络进行激光条纹分割，将撕裂检测问题转换成语义分割问题。选用U−net网络并对其进行降维，有效减少了神经网络参数量。实验结果表明，U−net网络收敛速度快于SegNet和FCNs网络，迭代的稳定性较强，评价指标最优，U−net4网络性能优于U−net3和U−net5。在验证集上的检测结果表明，撕裂检测的召回率为96.09%，精确率为96.85%；
（3） 利用线结构光标定数据进行撕裂物理尺寸测量，在实验平台的测量结果表明，撕裂物理尺寸测量的最大相对误差为−13.04%。误差的主要来源有像素误差、手工测量误差、图像标注误差和线结构光标定误差，可通过减小像素误差和图像标注误差提高测量精度。
（4） 目前撕裂样本数据还不充分，后期将在工业实验中采集更多样本，以进一步提高撕裂检测方法性能。
-
表 1 通风网络初始数据
Table 1 Ventilation network initial data
分支
编号风阻/
（N·s2·m−8）风量/
（m3·s−1）分支
编号风阻/
（N·s2·m−8）风量/
（m3·s−1）1 0.006455 129.50 9 0.114862 12.32 2 0.004709 29.96 10 0.085501 14.27 3 0.009727 20.85 11 0.001561 62.09 4 0.001339 73.38 12 0.001391 73.38 5 1.572439 5.31 13 0.015521 50.81 6 0.001562 62.10 14 0.005727 129.50 7 0.232000 11.28 15 0 129.50 8 0.013821 35.51 
下载: 导出CSV
表 2 通风网络各分支类型、风阻和风量调节范围
Table 2 Branch types, air resistance, and airflow regulation range of the ventilation network
分支编号 分支类型 风阻调节范围/（N·s2·m−8） 风量调节范围/（m3·s−1） 1 一般分支 0.006455 129.50 2 其他用风分支 0.004709 26.96～32.96 3 其他用风分支 0.009727 18.77～22.94 4 一般分支 0.001339 3.94～126.00 5 一般分支 1.572439 3.94～126.00 6 一般分支 0.001562 3.94～126.00 7 其他用风分支 0.040940 ～0.884324 10.15～12.41 8 一般分支 0.013821 ～0.844314 3.94～126.00 9 其他用风分支 0.016615 ～0.577616 11.09～13.55 10 目标用风分支 0.085501 31.50～32.50 11 一般分支 0.001561 3.94～126.00 12 一般分支 0.001391 3.94～126.00 13 一般分支 0.004964 ～0.714323 3.94～126.00 14 其他用风分支 0.005727 129.50 15 虚拟分支 0 129.50
下载: 导出CSV
表 3 不同算法下模型求解结果
Table 3 Model solution results under different algorithms
算法 算法成功率/% 平均收敛代数 平均寻优时间/s 改进ABC 100 42 132.72 GABC 87 53 167.48 ABC−GOBL 100 122 385.52 ABC 100 158 516.68 PSO 0 － －
下载: 导出CSV
表 4 改进ABC算法求解出的最优矿井风阻调控方案
Table 4 Optimal mine ventilation resistance control scheme solved by the improved artificial bee colony algorithm
分支
编号风阻/
（N·s2·m−8）风量/
（m3·s−1）分支
编号风阻/
（N·s2·m−8）风量/
（m3·s−1）1 0.006455 129.50 9 0.571217 12.21 2 0.004709 27.25 10 0.085501 31.51 3 0.009727 18.96 11 0.001561 64.23 4 0.001339 74.83 12 0.001391 74.83 5 1.572439 8.49 13 0.051381 46.21 6 0.001562 64.23 14 0.005727 129.50 7 0.871307 10.60 15 0 129.50 8 0.209715 20.51
下载: 导出CSV
-
[1] 卢新明,尹红. 矿井通风智能化理论与技术[J]. 煤炭学报,2020,45(6):2236-2247. LU Xinming,YIN Hong. The intelligent theory and technology of mine ventilation[J]. Journal of China Coal Society,2020,45(6):2236-2247.
[2] 张浪,刘彦青. 矿井智能通风与关键技术研究[J]. 煤炭科学技术,2024,52(1):178-195. ZHANG Lang,LIU Yanqing. Research on technology of key steps of intelligent ventilation in mines[J]. Coal Science and Technology,2024,52(1):178-195.
[3] WANG Jinmiao,XIAO Jun,XUE Yan,et al. Optimization of airflow distribution in mine ventilation networks using the modified sooty tern optimization algorithm[J]. Mining,Metallurgy & Exploration,2024,41(1):239-257.
[4] 吴新忠,韩正化,魏连江,等. 矿井风流智能按需调控算法与关键技术[J]. 中国矿业大学学报,2021,50(4):725-734. WU Xinzhong,HAN Zhenghua,WEI Lianjiang,et al. Intelligent on-demand adjustment algorithm and key technology of mine air flow[J]. Journal of China University of Mining and Technology,2021,50(4):725-734.
[5] 贾进章,刘剑,倪景峰. 通风系统可靠性稳定性及灵敏性数学模型[J]. 辽宁工程技术大学学报(自然科学版),2003,22(6):725-727. JIA Jinzhang,LIU Jian,NI Jingfeng. Mathematical models for reliability stability and sensitivity of ventilation system[J]. Journal of Liaoning Technical University (Natural Science),2003,22(6):725-727.
[6] CHATTERJEE A,ZHANG Lijun,XIA Xiaohua. Optimization of mine ventilation fan speeds according to ventilation on demand and time of use tariff[J]. Applied Energy,2015,146:65-73. DOI: 10.1016/j.apenergy.2015.01.134
[7] JIA Peng,JIA Jinzhang,SONG Lei,et al. Theory of RPOD adjustment of air volume for mine intelligent ventilation[J]. International Journal of Ventilation,2022,21(4):316-329. DOI: 10.1080/14733315.2021.1948720
[8] LI Junqiao,LI Yucheng,ZHANG Wei,et al. Multi-objective intelligent decision and linkage control algorithm for mine ventilation[J]. Energies,2022,15(21). DOI: 10.3390/en15217980.
[9] 吴新忠,张芝超,王凯,等. 基于DE−GWO算法的矿井风网风量调节方法[J]. 中南大学学报(自然科学版),2021,52(11):3981-3989. WU Xinzhong,ZHANG Zhichao,WANG Kai,et al. Method for adjusting air volume of mine ventilation network based on DE-GWO algorithm[J]. Journal of Central South University (Science and Technology),2021,52(11):3981-3989.
[10] 许嘉琳. 改进鲸鱼算法在矿井风量智能调控中的研究[D]. 徐州:中国矿业大学,2023. XU Jialin. Research on improved whale algorithm in intelligent regulation of mine air volume[D]. Xuzhou:China University of Mining and Technology,2023.
[11] 孙小玲,李端. 整数规划[M]. 北京:科学出版社,2010. SUN Xiaoling,LI Duan. Integer programming[M]. Beijing:Science Press,2010.
[12] 张步忠,程玉胜,王一宾. 求解N皇后问题的片上多核并行混合遗传算法[J]. 计算机工程,2015,41(7):199-203. ZHANG Buzhong,CHENG Yusheng,WANG Yibin. On-chip multi-core parallel hybrid genetic algorithm for solving N-Queens problem[J]. Computer Engineering,2015,41(7):199-203.
[13] 王燕军,梁治安,崔雪婷. 最优化基础理论与方法[M]. 2版. 上海:复旦大学出版社,2018. WANG Yanjun,LIANG Zhi'an,CUI Xueting. Basic theory and method of optimization[M]. 2nd ed. Shanghai:Fudan University Press,2018.
[14] CHENG Shi,SHI Yuhui,QIN Quande,et al. Population diversity maintenance in brain storm optimization algorithm[J]. Journal of Artificial Intelligence and Soft Computing Research,2014,4(2):83-97. DOI: 10.1515/jaiscr-2015-0001
[15] 李伟,霍永金,张浪,等. 矿井通风实时网络解算技术研究[J]. 中国矿业,2016,25(3):167-170. DOI: 10.3969/j.issn.1004-4051.2016.03.041 LI Wei,HUO Yongjin,ZHANG Lang,et al. Research on ventilation real time network solution[J]. China Mining Magazine,2016,25(3):167-170. DOI: 10.3969/j.issn.1004-4051.2016.03.041
[16] 刘彦青. 基于巷道摩擦阻力系数BP神经网络预测模型的矿井风网风量预测研究[J]. 矿业安全与环保,2021,48(2):101-106. LIU Yanqing. Study on the air quantity of mine ventilation network based on BP neural network prediction model of friction resistance coefficient in roadway[J]. Mining Safety & Environmental Protection,2021,48(2):101-106.
[17] KARABOGA D,AKAY B. A comparative study of artificial bee colony algorithm[J]. Applied Mathematics and Computation,2009,214(1):108-132. DOI: 10.1016/j.amc.2009.03.090
[18] YANG Jingyuan,CUI Jiangtao,XIA Xiaofang,et al. An artificial bee colony algorithm with an adaptive search strategy selection mechanism and its application on workload prediction[J]. Computers & Industrial Engineering,2024,189. DOI: 10.1016/j.cie.2024.109982.
[19] SHI Y,EBERHART R. A modified particle swarm optimizer[C]. IEEE International Conference on Evolutionary Computation,Anchorage,1998:69-73.
[20] WANG Hui,WU Zhijian,RAHNAMAYAN S,et al. Enhancing particle swarm optimization using generalized opposition-based learning[J]. Information Sciences,2011,181(20):4699-4714. DOI: 10.1016/j.ins.2011.03.016
[21] ZHU Guopu,KWONG S. Gbest-guided artificial bee colony algorithm for numerical function optimization[J]. Applied Mathematics and Computation,2010,217(7):3166-3173. DOI: 10.1016/j.amc.2010.08.049
[22] 周新宇,吴志健,邓长寿,等. 一种邻域搜索的人工蜂群算法[J]. 中南大学学报(自然科学版),2015,46(2):534-546. ZHOU Xinyu,WU Zhijian,DENG Changshou,et al. Neighborhood search-based artificial bee colony algorithm[J]. Journal of Central South University (Science and Technology),2015,46(2):534-546.
-
期刊类型引用(3)
1. 郭鹏，谢逢选，孙培申，高彦平，卢志兴，李阳. 码头管沟可燃气体有毒气体检测装置的研制与应用. 钻采工艺. 2024(03): 140-146 . 
百度学术
2. 鲁旭臣，李爽，刘佳鑫，毕海涛，郎业兴，王雅楠，丁五行. 采用热释电原理检测SF_6气体中CO体积分数的方法与应用. 高压电器. 2024(09): 197-205 . 百度学术
3. 许伟健，张德胜，黄增波. 基于双波长光电感烟的煤矿火灾烟雾监测技术. 煤矿安全. 2023(12): 204-212 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 26
- HTML全文浏览量: 10
- PDF下载量: 1
- 被引次数: 3
